scrapy ip池(scrapy多线程)

大家好，又见面了，我是你们的朋友全栈君。

反爬策略有很多，最常用的也就是ip池，下面让我们一起跟着小省开始ip池之旅吧

直接上代码：
由于我们的ip池是自己维护在数据库中的，所以会有查库这一说

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# Create by shengjk1 on 2017/11/6
from screptile import pool
from utilspider.dp_util import close
from twisted.web._newclient import ResponseNeverReceived
from twisted.internet.error import TimeoutError, ConnectionRefusedError, ConnectError
from utilspider.util_spider import get_logger
from screptile import db_table

logger = get_logger('flower')
class HttpProxyMiddleware(object):
    DONT_RETRY_ERRORS = (TimeoutError, ConnectionRefusedError, ResponseNeverReceived, ConnectError, ValueError)

    def process_request(self, request, spider):
        ip = self.get_ip()
        request.meta['proxy'] = ip
        logger.info( 'process_request %s ' % ip)


    def process_response(self, request,response, spider):
        if response.status!=200:
            ip = self.get_ip()
            request.meta['proxy'] = ip
            logger.info('process_response %s ' % ip)
            return request
        else:
            return response

    def process_exception(self, request, exception, spider):
        if isinstance(exception, self.DONT_RETRY_ERRORS):
            ip = self.get_ip()
            request.meta['proxy'] = ip
            logger.info( 'process_exception %s ' % ip)
            return request


    def get_ip(self):
        conn = pool.connection()
        cur = conn.cursor()
        sql = 'SELECT * FROM '+db_table+' where sign=1 ORDER BY RAND() LIMIT 1'
        cur.execute(sql)
        result = cur.fetchall()
        ip = result[0][1]
        close(cur,conn)
        return ip

setting.py

DOWNLOADER_MIDDLEWARES = {
'screptile.proxip_middleware.HttpProxyMiddleware':543
}

setting.py中可以设置超时时间

DOWNLOAD_TIMEOUT=10

备注：
process_request(request, spider)
当每个request通过下载中间件时，该方法被调用。
process_request() 必须返回其中之一: 返回 None 、返回一个 Response 对象、返回一个 Request 对象或raise IgnoreRequest 。
如果其返回 None ，Scrapy将继续处理该request，执行其他的中间件的相应方法，直到合适的下载器处理函数(download handler)被调用， 该request被执行(其response被下载)。
如果其返回 Response 对象，Scrapy将不会调用 任何 其他的 process_request() 或 process_exception() 方法，或相应地下载函数； 其将返回该response。 已安装的中间件的 process_response() 方法则会在每个response返回时被调用。
如果其返回 Request 对象，Scrapy则停止调用 process_request方法并重新调度返回的request。当新返回的request被执行后， 相应地中间件链将会根据下载的response被调用。
如果其raise一个 IgnoreRequest 异常，则安装的下载中间件的 process_exception() 方法会被调用。如果没有任何一个方法处理该异常， 则request的errback(Request.errback)方法会被调用。如果没有代码处理抛出的异常， 则该异常被忽略且不记录(不同于其他异常那样)。
参数:
request (Request 对象) – 处理的request
spider (Spider 对象) – 该request对应的spider

process_response(request, response, spider)
process_request() 必须返回以下之一: 返回一个 Response 对象、 返回一个 Request 对象或raise一个 IgnoreRequest 异常。
如果其返回一个 Response (可以与传入的response相同，也可以是全新的对象)， 该response会被在链中的其他中间件的 process_response() 方法处理。
如果其返回一个 Request 对象，则中间件链停止， 返回的request会被重新调度下载。处理类似于 process_request() 返回request所做的那样。
如果其抛出一个 IgnoreRequest 异常，则调用request的errback(Request.errback)。 如果没有代码处理抛出的异常，则该异常被忽略且不记录(不同于其他异常那样)。
参数:
request (Request 对象) – response所对应的request
response (Response 对象) – 被处理的response
spider (Spider 对象) – response所对应的spider

process_exception(request, exception, spider)
当下载处理器(download handler)或 process_request() (下载中间件)抛出异常(包括 IgnoreRequest 异常)时， Scrapy调用 process_exception() 。
process_exception() 应该返回以下之一: 返回 None 、 一个 Response 对象、或者一个 Request 对象。
如果其返回 None ，Scrapy将会继续处理该异常，接着调用已安装的其他中间件的 process_exception() 方法，直到所有中间件都被调用完毕，则调用默认的异常处理。
如果其返回一个 Response 对象，则已安装的中间件链的 process_response() 方法被调用。Scrapy将不会调用任何其他中间件的 process_exception() 方法。
如果其返回一个 Request 对象， 则返回的request将会被重新调用下载。这将停止中间件的 process_exception() 方法执行，就如返回一个response的那样。
参数:
request (是 Request 对象) – 产生异常的request
exception (Exception 对象) – 抛出的异常
spider (Spider 对象) – request对应的spider

参考：

官网https://doc.scrapy.org/en/latest/topics/downloader-middleware.html

中文版： http://scrapy-chs.readthedocs.io/zh_CN/1.0/topics/downloader-middleware.html